李 雪王 鶴邵秋萍熊建橋朱曉翠

（1.南京工程學(xué)院 機(jī)械工程學(xué)院，南京 211167；2.河南工程學(xué)院 機(jī)械工程學(xué)院，鄭州 451191；3.吉林大學(xué) 機(jī)械科學(xué)與工程學(xué)院，長(zhǎng)春 130025）

基于遺傳神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床故障預(yù)測(cè)

李 雪1王 鶴2邵秋萍1熊建橋1朱曉翠3

（1.南京工程學(xué)院 機(jī)械工程學(xué)院，南京 211167；2.河南工程學(xué)院 機(jī)械工程學(xué)院，鄭州 451191；3.吉林大學(xué) 機(jī)械科學(xué)與工程學(xué)院，長(zhǎng)春 130025）

將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，用于數(shù)控機(jī)床故障預(yù)測(cè)。應(yīng)用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，克服單獨(dú)使用神經(jīng)網(wǎng)絡(luò)所帶來的網(wǎng)絡(luò)收斂速度慢以及得不到全局最優(yōu)解等缺點(diǎn)。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后的遺傳神經(jīng)網(wǎng)絡(luò)具有良好的預(yù)測(cè)能力，可以作為數(shù)控機(jī)床故障預(yù)測(cè)的有效手段。

數(shù)控機(jī)床 遺傳算法 神經(jīng)網(wǎng)絡(luò) 故障預(yù)測(cè)

引言

數(shù)控機(jī)床作為裝備制造業(yè)的“工作母機(jī)”，是實(shí)現(xiàn)國(guó)家工業(yè)化和現(xiàn)代化的基礎(chǔ)裝備，是衡量一個(gè)國(guó)家工業(yè)現(xiàn)代化水平和綜合國(guó)力的重要標(biāo)志[1]。近年來，隨著科技的發(fā)展，數(shù)控機(jī)床等復(fù)雜裝備在汽車、航空航天、家電產(chǎn)品、高速鐵路、海洋船舶等行業(yè)的需求日益增加[2]。隨著精密制造技術(shù)、信息處理技術(shù)等相關(guān)技術(shù)的發(fā)展，數(shù)控機(jī)床許多性能指標(biāo)都在提高，然而可靠性問題卻一直是阻礙數(shù)控機(jī)床發(fā)展的主要關(guān)鍵技術(shù)問題。

機(jī)床可靠性是指機(jī)床在規(guī)定條件下和規(guī)定的時(shí)間內(nèi)完成規(guī)定功能的能力。機(jī)床的故障時(shí)有發(fā)生，增加了維修損失和停機(jī)費(fèi)用，降低了使用效率[3-4]?？煽啃灶A(yù)測(cè)是根據(jù)已有的故障信息，來預(yù)測(cè)故障可能發(fā)生的時(shí)間以及故障可能發(fā)生的部位，為整機(jī)及子系統(tǒng)的預(yù)防提供依據(jù)。準(zhǔn)確的預(yù)測(cè)結(jié)果不僅能夠指導(dǎo)用戶提前采取預(yù)防措施，減少停機(jī)損失，還能夠有效延長(zhǎng)機(jī)床的運(yùn)行時(shí)間，節(jié)約設(shè)備的維護(hù)成本，提高設(shè)備投資回報(bào)率。常用的預(yù)測(cè)方法有時(shí)間序列預(yù)測(cè)法、回歸預(yù)測(cè)法、灰色預(yù)測(cè)法、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法、馬爾可夫預(yù)測(cè)法等?；疑A(yù)測(cè)法是以灰色系統(tǒng)理論為基礎(chǔ)，該建模方法無需太多樣本，但有時(shí)預(yù)測(cè)精度不高[5]。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)具有高度的非線性映射能力，能以任意精度逼近任意一個(gè)連續(xù)函數(shù)，但有時(shí)網(wǎng)絡(luò)收斂速度慢，得不到全局最優(yōu)解，并且網(wǎng)絡(luò)結(jié)構(gòu)難以確定。綜上所述，本文提出用遺傳算法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，建立遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

1 遺傳神經(jīng)網(wǎng)絡(luò)模型

1.1 神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)又稱神經(jīng)網(wǎng)絡(luò)，是在人類對(duì)其大腦神經(jīng)元認(rèn)識(shí)理解的基礎(chǔ)上，構(gòu)造出來的能夠?qū)崿F(xiàn)人類某些思維功能的人工智能系統(tǒng)，包括輸入層、隱含層和輸出層。BP網(wǎng)絡(luò)（即反向傳播網(wǎng)絡(luò)）是應(yīng)用最多的一類神經(jīng)網(wǎng)絡(luò)[6-7]，其特點(diǎn)是具有很高的非線性映射能力，但其容易陷入局部極小點(diǎn)而無法獲得全局最優(yōu)解。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2 遺傳神經(jīng)網(wǎng)絡(luò)

遺傳算法是通過遺傳算子模擬生物進(jìn)化過程中的選擇、交叉以及變異過程，最終得到最優(yōu)個(gè)體，所以是一種全局優(yōu)化隨機(jī)搜索算法。由于在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，權(quán)值和閾值是隨機(jī)產(chǎn)生的，這樣得到的網(wǎng)絡(luò)結(jié)構(gòu)準(zhǔn)確性不高，而通過遺傳算法對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行全局搜索，將權(quán)值和閾值編碼為遺傳算法的個(gè)體[8]，使權(quán)閾值種群聚集在參數(shù)空間的某幾處，這樣優(yōu)化后的神經(jīng)網(wǎng)絡(luò)能更好地逼近輸出函數(shù)。流程圖如圖2所示。通過引入遺傳算法中的交叉和變異操作，把粒子個(gè)體和群體極值進(jìn)行交叉以及粒子自身的變異的方式來搜索最優(yōu)解。步驟如下：（1）把組成輸入層到隱含層的權(quán)值和閾值及隱含層到輸出層的權(quán)值和閾值編碼為實(shí)數(shù)；（2）將系統(tǒng)實(shí)際輸出與理論輸出之間的誤差絕對(duì)值的和作為個(gè)體適應(yīng)度值；（3）計(jì)算每個(gè)個(gè)體的選擇概率，并按照種群規(guī)模迭代；（4）從新種群中任意選擇2個(gè)個(gè)體，相互交換部分基因，從而產(chǎn)生2個(gè)新個(gè)體；（5）從新種群中任意選擇1個(gè)個(gè)體用其他基因值替換，從而形成一個(gè)新的個(gè)體。

2 故障預(yù)測(cè)

本文通過編制Matlab程序?qū)ι窠?jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化。其中，神經(jīng)網(wǎng)絡(luò)采用4-9-1型網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層4個(gè)節(jié)點(diǎn)、隱含層9個(gè)節(jié)點(diǎn)、輸出層1個(gè)節(jié)點(diǎn)。用表1中的數(shù)據(jù)對(duì)遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練誤差設(shè)為0.0001，遺傳算法中種群規(guī)模為20，迭代次數(shù)為80。

圖2 遺傳神經(jīng)網(wǎng)絡(luò)流程圖

表1 故障間隔時(shí)間數(shù)據(jù)

所得部分預(yù)測(cè)結(jié)果，如表2所示。從表2可以看出，本文所建立的遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有較好的預(yù)測(cè)能力。

表2 預(yù)測(cè)結(jié)果

3 結(jié)論

（1）遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)閾值，改進(jìn)了神經(jīng)網(wǎng)絡(luò)收斂速度慢以及容易陷入局部極小點(diǎn)的缺陷，提高了網(wǎng)絡(luò)的預(yù)測(cè)精度。

（2）建立的遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型應(yīng)用于數(shù)控機(jī)床的故障預(yù)測(cè)，具有較高的預(yù)測(cè)精度，為進(jìn)一步有針對(duì)性地制定維修策略、避免事故的發(fā)生、提高數(shù)控機(jī)床的可靠性，提供了一種有效手段。

[1]張根保，柳劍.數(shù)控機(jī)床可靠性概述[J].制造技術(shù)與機(jī)床，2014，（7）：8-14.

[2]張傳思.精密臥式加工中心典型結(jié)構(gòu)的分析[J].機(jī)械工程師，2011，（4）：116-117.

[3]陳保家，陳雪峰，李兵.Logistic回歸模型在機(jī)床刀具可靠性評(píng)估中的應(yīng)用[J].機(jī)械工程學(xué)報(bào)，2011，47（18）：158-164.

[4]賈亞洲，楊兆軍.數(shù)控機(jī)床可靠性國(guó)內(nèi)外現(xiàn)狀與技術(shù)發(fā)展策略[J].中國(guó)制造業(yè)信息化，2008，（4）：35-37.

[5]何慶飛，陳桂明，陳小虎.基于灰色支持向量機(jī)的液壓泵壽命預(yù)測(cè)方法[J].潤(rùn)滑與密封，2012，37（4）：73-77.

[6]劉增良，劉有才.模糊邏輯與神經(jīng)網(wǎng)絡(luò)—理論研究與探索[M].北京：北京航空航天大學(xué)出版社，1996.

[7]樓樂明，李明輝，彭穎紅.利用神經(jīng)網(wǎng)絡(luò)建立電火花加工工藝模型[J].中國(guó)機(jī)械工程，2001，12（4）：408-410.

[8]閆楚良，郝云霄，劉克格.基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的材料疲勞壽命預(yù)測(cè)[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2014，44（6）：1710-1715.

Fault Prediction of Numerical Control Machine Tool based on Genetic Neural Network

LI Xue1, WANG He2, SHAO Qiuping1, XiONG Jianqiao1, ZHU Xiaocui3
(1.Nanjing Institute of Technology, Mechanical Engineering College,Nanjing 211167;2.Henan Institute of Engineering, Mechanical Engineering College,Zhengzhou 451191;3.Jilin University,Mechanical Science and Engineering College, Changchun 130025)

This article combine genetic algorithm and neural network to use on prediction of numerical control tool fault. Utilizing genetic algorithm to optimize weight and threshold value of neural network, which overcome defects including low convergence rate and can not get global optimal solution when using only neural network. Experiment results show, optimized neural network have very good prediction ability and can be used as a very effective method for numerical control machine tool fault.

numerical control machine tools, genetic algorithm, neural network, fault prediction

教育部人文社會(huì)科學(xué)研究青年基金項(xiàng)目（13YJCZH091）。